Metropolitan area heterogeneity and the impact of road infrastructure improvements on VMT
Notice bibliographique
Résumé
Past studies have found that the average elasticity of vehicle miles traveled (VMT) to the stock of highways is close to one. This result is often interpreted to mean that an increase in the stock of highway miles is likely to be accompanied by a commensurate increase in VMT, leaving congestion unaffected. In this study, we explore the heterogeneity in this elasticity due to both observed and unobserved city characteristics. We begin by using a simple model to demonstrate how cities with different initial congestion levels may respond differently to added road capacity. These differences give rise to heterogeneity in the elasticity of VMT to highway capacity. We then conduct an empirical analysis using the instrumental variable quantile regression (IVQR) model to incorporate variation in the elasticity due to the presence of unobserved differences across metropolitan statistical areas (MSAs). The IVQR results imply that expanding road capacities has a greater impact on MSAs with low levels of VMT than on MSAs with high VMT. Estimates of the elasticity using generalized quantile regression (GQR) mirror the IVQR estimates. We further simulate the mechanisms using a spatial equilibrium model with an extensive road network calibrated to the Greater Los Angeles region by treating commuting and shopping trips, mode, and route choices. We find that the elasticity of VMT to capacity—which decreases with initial VMT—in LA is 0.32. One important policy implication is that, when building more roads, the mean or median congestion level across cities remains unchanged, although it can reduce the number of cities experiencing high congestion levels.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».